←
데이터 전처리·연습 문제

특성 표준화 (Z-score)

문제 설명PROBLEM

preview

특성 표준화 (Z-score Normalization)

특성 간 스케일이 다르면 거리 기반 모델(KNN, SVM)과 경사하강 기반 모델(로지스틱 회귀, 신경망)이 특정 특성에 편향됩니다. 각 열을 평균 0, 표준편차 1로 맞춰주는 게 표준화:

Xij′=Xij−μjσjX'_{ij} = \frac{X_{ij} - \mu_j}{\sigma_j}

여기서 μj,σj\mu_j, \sigma_j 는 jj번째 열의 평균·표준편차.

과제

함수 standardize-v1(X) 를 완성하세요.

  • 입력: (N, D) 2D 배열.
  • 반환: (X_std, mu, sigma) — 표준화된 배열, 컬럼별 평균, 컬럼별 표준편차.
  • 컬럼별 (axis=0) 연산 + 브로드캐스팅.

테스트 케이스

#이름검증
1평균 ≈ 0X_std.mean(axis=0) 가 0에 가까움
2표준편차 ≈ 1X_std.std(axis=0) 가 1에 가까움
3shape 유지출력 shape == 입력 shape
4통계 반환mu shape (D,), sigma shape (D,)
개념 노트와 실수 포인트

데이터 전처리

  • 표준화(평균 0·분산 1) vs 정규화(0~1 범위).
  • ⚠️ train 의 통계(평균/표준편차)로 test 를 변환 — test 로 fit 하면 데이터 누수.